DGL 中的update_all函数的详细理解

最新推荐文章于 2023-06-20 17:15:16 发布

znsoft

最新推荐文章于 2023-06-20 17:15:16 发布

阅读量3.8k

点赞数 4

分类专栏：图神经网络文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/znsoft/article/details/115288487

版权

图神经网络专栏收录该内容

12 篇文章

订阅专栏

该博客详细介绍了如何使用DGL库进行图神经网络操作，包括节点特征向量的相加和乘法运算，以及通过`update_all`函数进行消息传递和聚合。在给定的图中，对每个节点的入度进行特征运算，最终得到每个节点的新特征向量。博客还解释了`update_all`函数中消息函数和聚合函数的工作原理，强调了在图神经网络中节点入度的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

所有讨论均以以下代码为基础进行：

import dgl
import torch as th

from dglfn  import dgl_fn
import dgl.function as fn 

# https://blog.youkuaiyun.com/CY19980216/article/details/110629996?

device=th.device("cuda" if th.cuda.is_available() else 'cpu')

u= th.tensor([0,1,2,3,4,3,4])
v= th.tensor([2,0,1,5,3,2,1])
g=dgl.graph((u,v)).to(device)
#print(g.edges())

g.ndata["value"]=th.ones(g.num_nodes(),3).to(device)  #每个值 都是3维向量
#print(g.ndata["value"])
#g.ndata["ft"]=th.tensor([0,1,2,3,4,5],dtype=th.float32).to(device)
g.edata["weights"]=th.ones(g.num_edges(),3).to(device)
dgl_fn.StartGraph(size=(12,10),title="DGL网络")


dgl_fn.AddGraph(221,g,"value",'weights')
g.apply_edges(fn.u_add_v('value','value','weights'))  #计算边的两个节点的相关运算，并存于边上。

#  计算方法： 源节点+目标节点值 ， 例如： 0,1 的wegiths 为1， 2，得出边1 的值 为 3

#g.update_all(fn.u_add_v("value","value","m"),fn.sum("m","weights"))

dgl_fn.AddGraph(222,g,"value",'weights')

#print("the weights of edgs",g.edata["weights"])  #边的权重变为每个元素为2的矩阵

def updata_all_example(graph):
	# store the result in graph.ndata['ft']
	graph.update_all(fn.u_mul_e('value', 'weights', 'm'), fn.sum('m', 'ft'))    # torch.sum(x, 1)
	
	# Call update function outside of update_all
	final_ft = graph.ndata['ft'] 
	return final_ft

all=updata_all_example(g)
#  从源节点到它指向的边，相乘后的值 存放于m中，再对m和ft中的值 进行相加
#
#
#print(g.edges())
print(all)

dgl_fn.AddGraph(223,g,"value",'weights')
dgl_fn.ShowGraph()

在这张图中，有6个节点，总共有7条边。

如图所示:

为简化起见，预设原始的每节点的value特征是 [1.1,1], 原始的每条边的权重 wegiths为[1,1,1].

在执行

g.apply_edges(fn.u_add_v('value','value','weights')) #这个函数没啥可说的，就是直接向量相加，存到边上

后，所有边分别的权重，即每条边的特征 weights 为 [2,2,2], 没错，是个向量。

记住上面的值，即边的weights 权重为 [2,2,2], 每个节点的value为[1,1,1]

最复杂的是下面这句

def updata_all_example(graph):

    # store the result in graph.ndata['ft']

    graph.update_all(fn.u_mul_e('value', 'weights', 'm'), fn.sum('m', 'ft'))    # torch.sum(x, 1)

    

    # Call update function outside of update_all

    final_ft = graph.ndata['ft'] 

    return final_ft

调用以上函数：

all=updata_all_example(g)

上面的操作是对每条边进行如下操作：

取源节点的value特征乘以与它相连的边的权重weghts, 这里的乘是向量的按位乘，即相同位置的分量相乘后作为同一个位置的结果，相乘后的值存放于m中，再对m中的值进行求和存放于目标节点的mailbox的ft特征中。

print(all)